Mi az a készlet-előrejelzés?
A készlet-előrejelzések segítenek megbecsülni a termékei iránti jövőbeni keresletet rövid, közép- vagy hosszú távú időszakban, és minden sikeres készlettervezési művelet alapvető részét képezik.
Az előrejelzések előzetes ismerete lehetővé teszi az ügyfélszolgálat, a készletellenőrzés és a kapacitáskezelés javítását.
A költségadatokat készletszabályozási modellben tudtuk előre jelezni; ezek a költségek előrejelzései, amelyek a jövőben érvényesek lesznek, amikor eljön a rendelés ideje. Egy másik előrejelzendő terület az átfutási idő, amely általában egyre rövidebb. Bármit is választunk az előrejelzés mellett, ne feledje az alábbi alapelveket:
- Az előrejelzés rövid távon pontosabb lesz. Minél messzebbre megy, annál kevésbé pontos.
- Az előrejelzés rossz lesz. Előrejelzési hiba lesz, és ezt a százalékot feltétlenül tudni kell.
- Az előrejelzés nem helyettesíti a tényleges keresletet.
Előrejelzések típusa
Annyiféle előrejelzési mód létezik, és sokféle előrejelzés létezik, hogy egyetlen előrejelzési módszer sem mindig a legjobb. Olyan módszert kell választanunk, amely megfelel az igényeinknek. Mindkét esetben idő alapján kell választanunk:
- A hosszú távú előrejelzések több évre szólnak
- A középtávú előrejelzések három hónaptól egy évig terjedő időre tekintenek
- A rövid távú előrejelzések a következő néhány hétre vonatkoznak
Számos módja van az előrejelzés megalapozásának. Alapozhatnak múltbeli adatokon vagy ítélkezési becsléseken. Az alkalmazott előrejelzési módszer a rendelkezésre álló adatforrásoktól függ. Ha egy terméknek megbízható keresleti múltja van, akkor ez lehet az előrejelzési forrás.
Előrejelzési technikák
Amint azt korábban említettem, számos módszer létezik az előrejelzések kiszámítására. Már foglalkoztunk a gazdaságos rendelési mennyiségi technikával nagy részlet a múltban, amely meghatározza, hogy hány terméket kell megvásárolnia egy adott időpontban. Ez a bejegyzés röviden elemzi a leggyakrabban használtakat, amelyek előzményadatokat használnak.
Az alább ismertetett három módszer az elmúlt három hónap (2022. október, november és december) előzményadatait használja a következő három 2023-as előrejelzéséhez.
Lássuk az első módszert…
Mozgóátlag
A mozgóátlag módszer egy egyszerű átlagszámítás. Ez a technika a felhasználó által megadott hónapok számát átlagolja a következő havi kereslet előrejelzéséhez.
| 2022. október | 114 |
| 2022. november | 119 |
| 2022. december | 137 |
| 2023. január | ? 114 + 119 + 137 = 370, 370 / 3 = 123 |
| 2023. február | ? 119 + 137 + 123 = 379, 379 / 3 = 126 |
| 2023. március | ? 137 + 123 + 126 = 379, 386 / 3 = 129 |
Súlyozott mozgóátlag
A súlyozott mozgóátlag segítségével súlyokat rendelhet a korábbi adatokhoz. Ez a módszer jobban működik az érett termékek rövid távú előrejelzéseinél.
Megjegyzés: A hozzárendelt súlyok összegének 1,00-nak kell lennie, és a legfrissebb adatok kapják a legnagyobb súlyt. Ebben a példában tegyük fel, hogy a súlyok a következők: 0,6, 03 és 0,1
| 2022. október | 114 |
| 2022. november | 119 |
| 2022. december | 137 |
| 2023. január | ? 137 * 0,6 + 119 * 0,3 + 114 * 0,1 = 129 |
| 2023. február | ? 129 * 0,6 + 137 * 0,3 + 119 * 0,1 = 131 |
| 2023. március | ? 131 * 0,6 + 129 * 0,3 + 137 * 0,1 = 131 |
Lineáris simítás
Ez a módszer hasonló a súlyozott mozgóátlaghoz. A súlyok kézi hozzárendelése helyett azonban képletet használnak, és most a súlyok lineárisan csökkennek. Ez a módszer jobban működik az érett termékek rövid távú előrejelzéseinél.
Egy korábbi időszak súlya = 3/(n^2 + n)/2 = 3/(3^2 + 3)/2 = 3/6 = 0,5
Két előző időszak súlya = 2/(n^2 + n)/2 = 2/(3^2 + 3)/2 = 2/6 = 0,3
Három előző időszak súlya = 1/(n^2 + n)/2 = 1/(3^2 + 3)/2 = 1/6 = 0,16
| 2022. október | 114 |
| 2022. november | 119 |
| 2022. december | 137 |
| 2023. január | ? 137 * 0,5 + 119 * 0,3 + 114 * 0,16 = 127 |
| 2023. február | ? 127 * 0,5 + 137 * 0,3 * 119 * 0,16 = 129 |
| 2023. március | ? 129 * 0,5 + 127 * 0,3 * 137 * 0,16 = 130 |
Következtetés
Az előrejelzések előzményadatokon és modelleken alapulnak. Nem tökéletesek; hibákat tartalmazhatnak, amelyeket modellek, adatok vagy az eredmények értelmezése okozhatnak, de az erős becslés jobb, mint a becslés nélkül.
A jövőbeni bejegyzésekben részletesebben megvizsgáljuk a fejlettebb előrejelzési módszereket (például az exponenciális simítás, a legkisebb négyzetes regresszió és mások), elemezzük azok előnyeit és hátrányait, valamint azt, hogy hogyan lehet őket automatikusan előállítani a készletkezelő rendszerekkel.